GridSearchCV dla złożoności modelu
W ostatnim slajdzie zobaczyłeś, że większość klasyfikatorów ma jeden lub więcej hiperparametrów kontrolujących ich złożoność. Wiesz już też, jak je dostrajać za pomocą GridSearchCV(). W tym ćwiczeniu doskonalisz tę umiejętność. Poeksperymentujesz z:
- Liczbą drzew,
n_estimators, wRandomForestClassifier. - Maksymalną głębokością,
max_depth, drzew decyzyjnych używanych wAdaBoostClassifier. - Liczbą najbliższych sąsiadów,
n_neighbors, wKNeighborsClassifier.
To ćwiczenie jest częścią kursu
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set a range for n_estimators from 10 to 40 in steps of 10
param_grid = {'____': range(10, ____, ____)}
# Optimize for a RandomForestClassifier() using GridSearchCV
grid = GridSearchCV(____, param_grid, cv=3)
grid.fit(X, y)
grid.best_params_